1、前言
在講Flink基本結構之前，我們的先知道Flink是什麼？中文官網上的解釋是：Apache Flink 是一個框架和分佈式處理引擎，用於在無邊界和有邊界數據流上進行有狀態的計算[1]。關於無邊界和有邊界數據流的定義可以參考官網上的解釋，從其解釋上可以瞭解到Flink是一個框架和計算引擎，是用來處理數據流的。處理數據流並不意味着Flink僅僅能用於我們通常所說的流處理系統中，這裏數據流主要是爲了說明Flink處理數據的方式，是以流的形式進行的。其實不僅流處理，Flink也可以做到批處理，即Flink可以實現批/流一體化，至於如何實現的，這裏僅提及相關概念，後續博客會慢慢道來。
2、Flink基本架構
2.1、Flink的基本架構圖[2]：
從圖中可知，Flink整個系統主要由兩個組件組成：JobManager、TaskManager組件，其架構是遵循主-從設計原則的，JobManager爲master結點、TaskManager爲Slave結點（也稱work結點），組件之間的通信是藉助Akka Framework。
1）JobManager：負責整個Flink集羣任務的調度和資源分配。從client獲取提交的任務後，JobManager根據TaskManager中資源（TaskSlots）使用的情況，分配資源並命令TaskManager啓動任務。在這個過程中，JobManager會觸發checkpoint操作，TaskManager執行checkpoint操作，其中所有的checkpoint協調的過程都在JobManager中完成的。此外，若是任務失敗了，也由JobManager協調失敗任務的恢復。
2）TaskManager：負責具體的任務執行和結點上資源申請和管理，多結點之間的數據交換也是在TaskManager上執行。Flink集羣中，每個worker（taskManager）對應的是一個JVM進程。
換句話說，JobManager分配資源、任務，TaskManager擁有資源、啓動任務。一般在生產環境中，JobManager和TaskManager所在結點應是分離的，其目的主要是爲了保證TaskManager（基於內存的計算）不搶奪JobManager的資源。
3）client客戶端：不是runtime的一部分，換句話說，Flink集羣啓動client提交的任務之後，client客戶端時可以斷開的，是可以不需要的。client不像JobManager和TaskManager對應着 flink集羣中的結點（或是物理機、或是虛擬機、或是容器），是觸發執行的一個抽象化，若程序在JobManager所在結點執行，則稱client在JobManager結點上，同樣，其也可以在TaskManager結點上。
提交一個任務的正常流程是：client與JobManager構建Akka連接，將任務提交到JobManager上，JobManager根據已經註冊在JobManager中TaskManager的資源（TaskSlot）情況，將任務分配給有資源的TaskManager，並命令TaskManager啓動任務，TaskManager則從JobManager接受需所部屬的任務，使用slot資源啓動task，建立數據接入的網絡連接，然後接受數據並開始處理。
2.2、taskSlot
每個task slot是TaskManager的一部分，若一個taskManager有三個taskSlot，則這三個taskSlot會均分這個TaskManager的資源（僅內存，不包括CPU）。有多個slot意味着同一個JVM中會有多個子任務，這些任務會共享JVM的TCP連接和心跳信息。這裏要說明的是，slot的個數不是subtask的個數是一一對應，一個slot中可以有多個subtask。在默認情況下，同一個job中的子任務（subtask）是可以共享一個slot的。這裏涉及slot共享的概念，後續博客中分析。
參考：
[1]https://flink.apache.org/zh/flink-architecture.html
[2]https://ci.apache.org/projects/flink/flink-docs-release-1.6/concepts/runtime.html